滚动轴承的振动信号特征分析报告DOC.docx
《滚动轴承的振动信号特征分析报告DOC.docx》由会员分享，可在线阅读，更多相关《滚动轴承的振动信号特征分析报告DOC.docx（10页珍藏版）》请在冰豆网上搜索。
滚动轴承的振动信号特征分析报告DOC
南昌航空大学实验报告
课程名称：
数字信号处理
实验名称：
滚动轴承的振动信号特征分析
实验时间：
2013年5月14日
班级：
100421
学号：
********
******
成绩：
滚动轴承的振动信号特征分析
一、实验目的
利用《数字信号处理》课程中学习的序列运算、周期信号知识、DFT知识，对给定的正常轴承数据、内圈故障轴承数据、外圈故障轴承数据、滚珠故障轴承数据进行时域特征或频域特征提取和分析，找出能区分四种状态（滚动轴承的外圈故障、内圈故障、滚珠故障和正常状态）的特征。
二、实验原理
振动机理分析：
机械在运动时，由于旋转件的不平衡、负载的不均匀、结构刚度的各向异性、间隙、润滑不良、支撑松动等因素，总是伴随着各种振动。
振动的幅值、频率和相位是振动的三个基本参数，称为振动三要素。
幅值：
幅值是振动强度的标志，它可以用峰值、有效值、平均值等方法来表示。
频率：
不同的频率成分反映系统内不同的振源。
通过频谱分析可以确定主要频率成分及其幅值大小，从而寻找振源，采取相应的措施。
相位：
振动信号的相位信息十分重要，如利用相位关系确定共振点、测量振型、旋转件动平衡、有源振动控制、降噪等。
对于复杂振动的波形分析，各谐波的相位关系是不可缺少的。
在振动测量时，应合理选择测量参数，如振动位移是研究强度和变形的重要依据；振动加速度与作用力或载荷成正比，是研究动力强度和疲劳的重要依据；振动速度决定了噪声的高低，人对机械振动的敏感程度在很大频率范围内是由速度决定的。
速度又与能量和功率有关，并决定动量的大小。
提取振动信号的幅域、时域、频域、时频域特征，根据特征进行故障有无、故障类型和故障程度三个层次的判断。
三、实验内容
Step1、使用importdata（）函数导入振动数据。
Step2、把大量数据分割成周期为单元的数据，分割方法为：
设振动信号为{xk}（k=1,2,3,…,n）采样频率为fs，传动轴的转动速率为Vr。
采样间隔为：
（1）
旋转频率为：
（2）
传动轴的转动周期为：
（3）
由式
（1）和（3）可推出振动信号一个周期内采样点数N：
（4）
由式
（2）可得到传动轴的转动基频fr=29.95Hz，再由式（3）可得到一个周期内采样点数N=400.67，取N=400。
Step3、提取振动信号的特征，分析方法包括：
1、时域统计分析指标（波形指标（ShapeFactor）、峰值指标（CrestFactor）、脉冲指标（ImpulseFactor）、裕度指标（ClearanceFactor）、峭度指标（KurtosisValue））等，相关计算公式如下：
（1）波形指标：
（5）
其中，
为峰值，
为均值。
计算公式如下：
（2）波峰指标：
（6）
其中，
为均方根值。
均方根值计算如下：
（7）
（3）峭度指标：
（8）
其中，
为峭度，计算式如下：
（9）
（4）脉冲指标：
（10）
（5）偏度指标：
（11）
其中，
为偏度，计算式如下：
（12）
（6）裕度指标：
（13）
其中，
为方根幅值，计算公式如下：
2、频域分析，包括离散频谱序列统计分析指标，阶次分析等。
滚动轴承的理论特征频率计算公式如下：
（1）内圈故障频率：
=161.73Hz
（2）外圈故障频率：
=107.82Hz
（3）滚珠故障频率：
=141.17Hz
其中，N为滚珠数，d为滚珠直径，α为接触角,D为轴承节径。
Step4（提高要求）、提取未知信号的特征，与已知信号的特征进行比对分类，诊断信号是否存在故障以及故障类型。
未知故障类型信号：
1.mat
四、实验的程序代码
（1）、待测信号1
function[y1,y2,y3,y4]=KuttosisFactor（）;
s=importdata（'E:
\原始信号\内圈故障\105.mat'）;
s_value=s.X105_DE_time';
s_cutvalue=s_value（1:
24000）;
tree=wpdec（s_cutvalue,3,'sym6'）;
det=wpcoef（tree,2）;
sigma=median（abs（det））/0.675;
alpha=2;
thr=wpbmpen（tree,sigma,alpha）;
keepapp=1;
xd=wpdencmp（tree,'s','nobest',thr,keepapp）;
T=400;
Vaule1=zeros（1,50）;
forn=1:
1:
50
B=sum（xd（（1+（n-1）*T）:
（n*T））.^4）/T;
Rms=sqrt（sum（xd（（1+（n-1）*T）:
（n*T））.^2）/T）;
Vaule1（n）=B/（Rms^4）;
end;
s=importdata（'E:
\原始信号\正常\97.mat'）;
s_value1=s.X097_DE_time';
s_cutvalue=s_value1（1:
24000）;
tree=wpdec（s_cutvalue,3,'sym6'）;
det=wpcoef（tree,2）;
sigma=median（abs（det））/0.675;
alpha=2;
thr=wpbmpen（tree,sigma,alpha）;
keepapp=1;
xd=wpdencmp（tree,'s','nobest',thr,keepapp）;
Vaule2=zeros（1,50）;
forn=1:
1:
50
B=sum（xd（（1+（n-1）*T）:
（n*T））.^4）/T;
Rms=sqrt（sum（xd（（1+（n-1）*T）:
（n*T））.^2）/T）;
Vaule2（n）=B/（Rms^4）;
end;
s=importdata（'E:
\原始信号\外圈故障\130.mat'）;
s_value1=s.X130_DE_time';
s_cutvalue=s_value1（1:
24000）;
tree=wpdec（s_cutvalue,3,'sym6'）;
det=wpcoef（tree,2）;
sigma=median（abs（det））/0.675;
alpha=2;
thr=wpbmpen（tree,sigma,alpha）;
keepapp=1;
xd=wpdencmp（tree,'s','nobest',thr,keepapp）;
Vaule3=zeros（1,50）;
forn=1:
1:
50
B=sum（xd（（1+（n-1）*T）:
（n*T））.^4）/T;
Rms=sqrt（sum（xd（（1+（n-1）*T）:
（n*T））.^2）/T）;
Vaule3（n）=B/（Rms^4）;
end;
s=importdata（'E:
\原始信号\滚珠故障\118.mat'）;
s_value1=s.X118_DE_time';
s_cutvalue=s_value1（1:
24000）;
tree=wpdec（s_cutvalue,3,'sym6'）;
det=wpcoef（tree,2）;
sigma=median（abs（det））/0.675;
alpha=2;
thr=wpbmpen（tree,sigma,alpha）;
keepapp=1;
xd=wpdencmp（tree,'s','nobest',thr,keepapp）;
Vaule4=zeros（1,50）;
forn=1:
1:
50
B=sum（xd（（1+（n-1）*T）:
（n*T））.^4）/T;
Rms=sqrt（sum（xd（（1+（n-1）*T）:
（n*T））.^2）/T）;
Vaule4（n）=B/（Rms^4）;
end;
s=importdata（'E:
\待诊断信号\1.mat'）;
s_value1=s;
s_cutvalue=s_value1（1:
24000）;
tree=wpdec（s_cutvalue,3,'sym6'）;
det=wpcoef（tree,2）;
sigma=median（abs（det））/0.675;
alpha=2;
thr=wpbmpen（tree,sigma,alpha）;
keepapp=1;
xd=wpdencmp（tree,'s','nobest',thr,keepapp）;
T=400;
Vaule5=zeros（1,50）;
forn=1:
1:
50
B=sum（xd（（1+（n-1）*T）:
（n*T））.^4）/T;
Rms=sqrt（sum（xd（（1+（n-1）*T）:
（n*T））.^2）/T）;
Vaule5（n）=B/（Rms^4）;
end;
y1
（1）=（Vaule1
（1）+Vaule1
（2）+Vaule1（3））/3;
y2
（1）=（Vaule2
（1）+Vaule2
（2）+Vaule2（3））/3;
y3
（1）=（Vaule3
（1）+Vaule3
（2）+Vaule3（3））/3;
y4
（1）=（Vaule4
（1）+Vaule4
（2）+Vaule4（3））/3;
y5
（1）=（Vaule5
（1）+Vaule5
（2）+Vaule5（3））/3;
y1（50）=（Vaule1（50）+Vaule1（49）+Vaule1（48））/3;
y2（50）=（Vaule2（50）+Vaule2（49）+Vaule2（48））/3;
y3（50）=（Vaule3（50）+Vaule3（49）+Vaule3（48））/3;
y4（50）=（Vaule4（50）+Vaule4（49）+Vaule4（48））/3;
y5（50）=（Vaule5（50）+Vaule5（49）+Vaule5（48））/3;
forn=2:
1:
49
y1（n）=（Vaule1（n-1）+Vaule1（n）+Vaule1（n+1））/3;
y2（n）=（Vaule2（n-1）+Vaule2（n）+Vaule2（n+1））/3;
y3（n）=（Vaule3（n-1）+Vaule3（n）+Vaule3（n+1））/3;
y4（n）=（Vaule4（n-1）+Vaule4（n）+Vaule4（n+1））/3;
y5（n）=（Vaule5（n-1）+Vaule5（n）+Vaule5（n+1））/3;
end;
%绘图
k=linspace（1,50,50）;
plot（k,y1（k）,'--.k',k,y2（k）,'-r',k,y3（k）,'-pb',k,y4（k）,'--*g',k,y5（k）,'m:
d'）;
legend（'内圈故障','正常''外圈故障',’故障’,’诊断信号’）;
小结：
通过现象观察可以看出，以上得到的图形都是外圈故障。
五、实验总结
这个实验室研究直升机中可能出现的滚动轴承的振动信号特征分析，用到的工具是MATLAB软件，可以对图形做更好的分析。
由于直升机在运动过程中轴承会摩擦，导致磨损，这对直升机来说是致命的，所以要做故障检测，通过现在所学的傅里叶函数的知识再结合软件绘图，我们就可以很好的解决这个问题。
六、参考文献
1.蔡旭晖.刘卫国.蔡立燕.MATLAB基础与应用教程.人民邮电出版社.2009
升级会员 